| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 图像超分辨率技术研究现状 | 第10-11页 |
| 1.3 视频超分辨率技术研究现状 | 第11-12页 |
| 1.4 高光谱图像超分辨率技术研究现状 | 第12-13页 |
| 1.5 本文的主要工作及组织架构 | 第13-14页 |
| 2 相关技术介绍 | 第14-26页 |
| 2.1 超分辨技术基础理论 | 第14-17页 |
| 2.1.1 图像成像模型 | 第14页 |
| 2.1.2 超分辨率算法重建过程 | 第14-15页 |
| 2.1.3 超分辨基准算法-双三次插值算法Bicubic | 第15-17页 |
| 2.2 超分辨质量评价标准 | 第17-18页 |
| 2.3 深度学习基础理论 | 第18-24页 |
| 2.3.1 人工神经网络基础理论 | 第18-19页 |
| 2.3.2 卷积神经网络基础理论 | 第19-24页 |
| 2.4 深度学习框架 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 一种基于深度卷积神经网络的视频超分辨率重建研究 | 第26-45页 |
| 3.1 引言 | 第26页 |
| 3.2 SRCNN图像超分辨方法 | 第26-27页 |
| 3.3 VSRnet视频超分辨方法 | 第27-28页 |
| 3.4 VSRnet视频超分辨方法推广 | 第28-35页 |
| 3.4.1 深度卷积神经网络 | 第28-29页 |
| 3.4.2 自适应运动补偿 | 第29页 |
| 3.4.3 预训练权值转移 | 第29-30页 |
| 3.4.4 损失函数 | 第30-31页 |
| 3.4.5 实验结果与分析 | 第31-35页 |
| 3.5 基于运动补偿的端到端视频超分辨方法 | 第35-44页 |
| 3.5.1 FlowNet2光流估计模型 | 第36-38页 |
| 3.5.2 改进的端到端视频超分辨模型 | 第38-40页 |
| 3.5.3 实验结果与分析 | 第40-44页 |
| 3.6 本章小结 | 第44-45页 |
| 4 基于时空相关性的视频超分辨率重建研究 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 多尺度金字塔Lucas-Kanade光流法 | 第45-48页 |
| 4.3 基于时空相关性的损失函数构造 | 第48-49页 |
| 4.4 基于时空相关性的视频超分辨重建算法 | 第49页 |
| 4.5 实验结果与分析 | 第49-56页 |
| 4.5.1 实验环境及参数介绍 | 第49-50页 |
| 4.5.2 基于时空相关性的损失函数研究 | 第50页 |
| 4.5.3 改进算法比较 | 第50-56页 |
| 4.6 本章小结 | 第56-57页 |
| 5 基于空谱联合的高光谱图像超分辨率重建研究 | 第57-72页 |
| 5.1 引言 | 第57页 |
| 5.2 高光谱图像超分辨重建的特点 | 第57-58页 |
| 5.3 基于光谱信息的一维高光谱图像超分辨重建 | 第58页 |
| 5.4 基于空间信息的二维高光谱图像超分辨重建 | 第58-59页 |
| 5.5 基于空谱联合的三维高光谱图像超分辨重建 | 第59-60页 |
| 5.6 实验结果与分析 | 第60-71页 |
| 5.6.1 数据集及实验环境介绍 | 第60-61页 |
| 5.6.2 一维重建实验结果分析 | 第61-62页 |
| 5.6.3 二维重建实验结果分析 | 第62-65页 |
| 5.6.4 三维重建实验结果分析 | 第65-71页 |
| 5.7 本章小结 | 第71-72页 |
| 6 总结与展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 附录 | 第80页 |
